航空发动机启动系统故障诊断方法及故障模拟系统的制作方法
【技术领域】
[0001]本发明属于航空发动机预测与健康管理领域，特别涉及一种航空发动机启动系统故障诊断方法及故障模拟系统。
【背景技术】
[0002]经过数年的发展，人们在航空航天领域方面已经取得了巨大的成就，极大地促进了相关的学科新理论和新技术的产生、发展与应用。然而在今天即使科学技术高度发达，航空航天领域的重特大事故仍不断出现。近年来，国内外由于航空发动机辅助动力装置故障而造成的飞机事故屡见不鲜。
[0003]在航空发动机运行的过程中，其发动机启动过程是一个非常重要的工作阶段，是发动机能够顺利正常工作的前提。航空发动机是十分复杂的一个动力系统，其系统内部由多个辅助装置和气路单元体有机组合，比如起动机、涡轮等等。起动机作为航空发动机启动系统的核心部分，对其进行状态监测可以及时发现故障，保障飞机能够正常飞行。
[0004]深入开展航空发动机起动过程建模及起动性能研究是极具现实意义和应用价值的工作。我们需要建立一种实用的发动机故障诊断及测试方法和故障模拟系统，提高发动机运行的可靠性，确保飞行的安全性，减小发动机的维修周期，简化维护步骤，并可降低维修成本，减少备件，还能为实现维修策略从经验型的定期维修向更科学的视情维修提供重要的基础。
【发明内容】
[0005]本发明的目的在于提供一种航空发动机启动系统故障诊断方法及故障模拟系统，该方法及系统通过性能和功能参数对发动机进行状态测试，有效地对发动机的故障进行查找和定位，从而提高航空发动机可靠性和寿命，降低发动机使用成本。
[0006]为了达到上述目的，本发明采用的技术方案为:一种航空发动机启动系统故障诊断方法，包括如下步骤:
[0007]步骤S10，建立航空发动机启动系统的数学模型，并进行模拟仿真；
[0008]步骤S20，在所述数学模型中输入故障参数，并进行故障模拟仿真，得出状态变化数据；
[0009]步骤S30，采用时域分析法对所述状态变化数据提取特征值，采用主成分分析法对状态变化数据降低维度，进而得到训练数据和测试数据；
[0010]步骤S40，所述测试数据作为BP神经网络的输入值，得到测试数据的输出值，将所述测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较，计算出各行元素的最大误差值及平均误差值；
[0011]所述最大误差值和平均误差值均在设定误差范围内，则诊断结果正常；
[0012]最大误差值或平均误差值超出设定范围，则诊断结果为异常。
[0013]优选地，所述步骤SlO按照如下步骤进行:
[0014]步骤SlOl:建立所述航空发动机启动系统的数学模型；
[0015]步骤S102:使用S頂ULINK建模工具对所述数学模型进行仿真，计算出航空发动机在稳态的高压转子转速、低压转子转速、尾气温度参数。
[0016]优选地，所述步骤S20包括，对所述数学模型中输入故障参数，并进行仿真，得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
[0017]优选地，所述设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数，使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。
[0018]优选地，所述步骤S30包括:采用时域分析法对所述状态变化数据提取特征值，所述特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
[0019]—种航空发动机启动系统故障_吴拟系统，包括:
[0020]仿真模块，用于对航空发动机启动系统建立数学模型，在所述数学模型中输入故障参数，并进行故障模拟仿真，得出状态变化数据；
[0021]故障分析模块，对故障模拟仿真的状态变化数据进行分析，得到训练数据和测试数据；
[0022]数据处理模块，用于对采集到的训练数据和测试数据进行预处理，生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据；
[0023]故障诊断模块，提取测试数据作为BP神经网络的输入值，将得到的输出值与所述训练数据构造的BP神经网络的输出值进行比较，通过对比评价，进行故障诊断。
[0024]优选地，还包括:
[0025]用户认证模块；其为该平台的登录终端，用户在认证模块中输入认证信息，才允许登录到该平台。
[0026]优选地，还包括:
[0027]信息显示模块；用于显示航空发动机启动过程的功率变化和转矩变化，以及在启动过程的不同阶段中，每个阶段中关键参数的不同变化。
[0028]采用上述技术方案，本发明产生的技术效果有:
[0029]本发明对航空发动机启动的整个过程进行分析，建立其数学模型，并进行故障仿真，采用时域分析对采集数据提取特征值，采用主成分分析法对数据进行预处理，通过采用BP神经网络算法对航空发动机启动系统实现故障诊断，由于神经网络的收敛时间长，权值阈值不易改变的缺点，进而采用遗传算法与BP神经网络进行结合，优化神经网络的权值阈值和网络结构，提高故障诊断的可靠性和准确性。将BP神经网络与遗传算法相结合，给出了利用遗传算法全局优化神经网络权值及结构的方案，并用到实际的案例当中。遗传算法对于全局搜索的不断迭代优化有较好的效果。而BP算法具有较强的局部搜索能力，当GA对网络全局优化到一定程度后，再使用BP进行精调，这样就大大增加了网络的收敛速度，减少了训练失败情况的出现。
【附图说明】
[0030]图1为本发明航空发动机启动系统故障诊断方法的原理框图；
[0031]图2为本发明步骤S30及S40的故障诊断方法流程图；
[0032]图3为本发明航空发动机启动系统故障模拟系统的原理框图。
【具体实施方式】
[0033]下面结合附图对本发明实施例做进一步详细说明。
[0034]本发明先通过对航空发动机启动系统建立数学模型，再用MATLAB软件(MATLAB软件用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。)对其进行模型仿真，得出并提取仿真数据，利用故障诊断算法来实现诊断的目的。由于系统的模型(状态方程)已经建立，可以根据已知的系统模型，确定系统的状态、参数和输入/输出等之间的关系，从而可以通过模型分析、变化监测、数据处理、特征提取以及分类与推理的方法来实现系统的故障诊断功能。通过使用BP神经网络算法以及使用遗传算法和BP神经网络结合的算法，分别对航空发动机启动系统进行故障诊断，并进行对比评价，发现其优缺点，从而实现对算法在航空发动机控制领域的合理应用。
[0035]如图1和图2所示，本发明实现航空发动机启动系统故障诊断方法包括如下4个步骤:
[0036]步骤S10，对航空发动机启动的整个过程进行分析，建立航空发动机启动系统的数学模型，并进行仿真；对发动机启动系统建模时，用SniULINK建立系统框图(Simulink是MATLAB最重要的组件之一，它提供一个动态系统建模、仿真和综合分析的集成环境。)，状态参数建模用S函数编写，实现正常情况的仿真。
[0037]步骤S20，对所述数学模型中输入故障参数，并进行故障模拟仿真，得出状态变化数据；其中，设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数，使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。所述的状态变化数据包括航空发动机在稳态的高压转子转速、低压转子转速、尾气温度等参数。
[0038]步骤S30，对所述故障模拟仿真的状态变化数据进行分析及数据预处理，得到训练数据和测试数据。
[0039]由于在起动机带转困难、点火失败、起动超温故障的三种情况下，每一种情况所对应的参数变化(高压转子转速、低压转子转速、尾气温度三个参数的变化)是明显不同的，因此，根据参数的变化情况来分析出